• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of classification >Quantum-Behaved Particle Swarm Optimization for Parameter Optimization of Support Vector Machine
【24h】

Quantum-Behaved Particle Swarm Optimization for Parameter Optimization of Support Vector Machine

机译：量子行为粒子群优化用于支持向量机的参数优化

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Support vector machine (SVM) parameters such as penalty parameter and kernel parameters have a great influence on the complexity and accuracy of SVM model. In this paper, quantum-behaved particle swarm optimization (QPSO) has been employed to optimize the parameters of SVM, so that the classification error can be reduced. To evaluate the proposed model (QPSO-SVM), the experiment adopted seven standard classification datasets which are obtained from UCI machine learning data repository. For verification, the results of the QPSO-SVM algorithm are compared with the standard PSO, and genetic algorithm (GA) which is one of the well-known optimization algorithms. Moreover, the results of QPSO are compared with the grid search, which is a conventional method of searching parameter values. The experimental results demonstrated that the proposed model is capable to find the optimal values of the SVM parameters. The results also showed lower classification error rates compared with standard PSO and GA algorithms.
机译：支持向量机（SVM）参数，如惩罚参数和内核参数有很大影响SVM模型的复杂性和准确性。在本文中，已经采用量子行为粒子群优化（QPSO）来优化SVM的参数，从而可以减少分类误差。为了评估所提出的模型（QPSO-SVM），实验采用了七个标准分类数据集，该数据集是从UCI机器学习数据存储库获得的。为了验证，将QPSO-SVM算法的结果与标准PSO和遗传算法（GA）进行比较，该遗传算法（GA）是众所周知的优化算法之一。此外，将QPSO的结果与网格搜索进行比较，这是搜索参数值的传统方法。实验结果表明，所提出的模型能够找到SVM参数的最佳值。与标准PSO和GA算法相比，结果还显示出较低的分类误差率。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号